sistem deteksi tunas air pada tanaman kakao
Post on 15-Jan-2022
7 Views
Preview:
TRANSCRIPT
SISTEM DETEKSI TUNAS AIR PADA TANAMAN KAKAO
WATER SPROUTS DETECTION SYSTEM ON CACAO PLANTS
NURUL MAULIDYAH
PROGRAM PASCASARJANA UNIVERSITAS HASANUDDIN
MAKASSAR 2020
i
SISTEM DETEKSI TUNAS AIR PADA TANAMAN KAKAO
Tesis
Sebagai Salah Satu Syarat Untuk Mencapai Gelar Magister
Program Studi
Teknik Elektro
Disusun dan diajukan oleh
NURUL MAULIDYAH
D032181013
Kepada
PROGRAM PASCASARJANA
UNIVERSITAS HASANUDDIN
MAKASSAR
2020
i
ii
PERNYATAAN KEASLIAN TESIS
Yang bertandatangan di bawah ini:
Nama : Nurul Maulidyah
Nomor Pokok : D032181013
Program Studi : Teknik Elektro
Konsentrasi : Teknik Informatika
Menyatakan dengan sebenarnya bahwa tesis yang saya tulis ini
benar-benar merupakan hasil karya saya sendiri, bukan merupakan
pengambilan tulisan atau pemikiran orang lain. Apabila di kemudian hari
terbukti atau dapat dibuktikan bahwa sebagian atau keseluruhan tisis ini
hasil karya orang lain, saya bersedia menerima sanksi atas perbuatan
tersebut.
Makassar, 18 November 2020
Yang menyatakan,
Nurul Maulidyah
iii
KATA PENGANTAR
Segala puji selalu dipanjatkan kepada Allah SWT Yang Maha Kuasa
yang telah memberikan rahmat, hidayah dan pertolongan-Nya dalam
menyelesaikan tesis, yang berjudul “Deteksi Tunas Air Pada Tanaman
Kakao.” Tak lupa pula shalawat dan salam kepada Nabi Muhammad SAW
yang telah menyinari dunia ini dengan keindahan ilmu dan akhlak yang
diajarkan kepada seluruh umatnya.
Ucapan terima kasih pun penulis hanturkan kepada kepada dosen
pembimbing tesis Dr. Indrabayu, ST., MT., M.Bus.Sys dan Dr. Eng. Intan
Sari Areni, ST., MT. yang telah meluangkan waktunya untuk membimbing
dan berkonsultasi tentang materi dalam tesis ini dan juga kepada seluruh
dosen dan staf Departemen Teknik Elektro, Universitas Hasanuddin yang
telah membantu dalam hal keilmuan maupun administrasi pada tahap tesis
ini. Penulis menyadari bahwa tesis ini masih belum sempurna. Dengan
demikian, penulis tetap mengharapkan kritik dan saran dengan harapan
tulisan ini bisa memberikan manfaat kepada seluruh pihak.
Makassar, 18 November 2020
Nurul Maulidyah
iv
ABSTRAK
Nurul Maulidyah. Sistem Deteksi Tunas Air Pada Tanaman Kakao (dibimbing oleh Indrabayu dan Intan Sari Areni).
Penelitian ini bertujuan untuk mendeteksi tunas air tanaman kakao yang seringkali dianggap sebagai hama oleh petani kakao. Hal ini disebabkan karena tunas air dapat menyebabkan cherelle wilt dan mengurangi produksi buah kakao. Metode Mask R-CNN (Region-based Convolutional Neural Network) dan FCN (Fully Convolutional Network) digunakan untuk melakukan instance segmentation pada masing-masing tunas air yang dideteksi. Pada penelitian ini digunakan data latih dan data uji masing-masing sebanyak 120 dan 30 data gambar. Pengambilan gambar dilakukan di kebun kakao di Desa Awo, Kabupaten Wajo menggunakan kamera. Gambar diambil dari jarak 100 cm, 150 cm dan 200 cm dari tanaman kakao dan dari ketinggian 100 cm. Proses pengujian dilakukan pada minimum confidence threshold 0.1 – 0.9 untuk melihat jumlah objek yang dideteksi pada tiap konfigurasi. Hasil deteksi dievaluasi menggunakan F1-score di mana F1-score tertinggi diperoleh pada minimum confidence threshold 0.9 yaitu sebesar 96.6%.
Kata kunci: tunas air, kakao, Mask R-CNN, FCN, instance segmentation
v
ABSTRACT
Nurul Maulidyah. Water Sprouts Detection System on Cacao Plants (supervised by Indrabayu and Intan Sari Areni)
This study aims to detect water sprouts of cocoa plants that are considered a nuisance by cocoa farmers. This is because water sprouts can cause cherelle wilt which then causes the production of cocoa pods to decrease. Mask R-CNN (Region-based Convolutional Neural Network) and FCN (Fully Convolutional Network) methods were used to perform instance segmentation instances on each detected water sprouts. This study uses training data and test data of 120 and 30 image data, respectively. Data were collected at a cocoa farm at Awo Village, Wajo Regency using camera. Images were taken from the distance of 100 cm, 150 cm and 200 cm from the cocoa plant with a height of 100 cm. The testing process is carried out at a minimum confidence threshold of 0.1 - 0.9 to see the number of objects detected in each configuration. The detection results were evaluated using the F1-score where the highest F1-score was 96.6% which was obtained at a minimum confidence threshold of 0.9.
Keywords: water sprouts, cacao, Mask R-CNN, FCN, instance segmentation
vi
DAFTAR ISI
HALAMAN PENGESAHAN .................................................................... i
PERNYATAAN KEASLIAN TESIS ........................................................ ii
KATA PENGANTAR ............................................................................ iii
ABSTRAK ............................................................................................ iv
ABSTRACT .......................................................................................... v
DAFTAR ISI ......................................................................................... vi
DAFTAR TABEL ................................................................................ viii
DAFTAR GAMBAR .............................................................................. ix
BAB I PENDAHULUAN......................................................................... 1
A. Latar Belakang ............................................................................. 1
B. Rumusan Masalah ....................................................................... 5
C. Tujuan Penelitian ......................................................................... 5
D. Manfaat Penelitian ....................................................................... 5
E. Batasan Masalah ......................................................................... 6
F. Sistematika Penulisan .................................................................. 6
BAB II TINJAUAN PUSTAKA ............................................................... 9
A. Landasan Teori ............................................................................ 9
B. Penelitian Terkait ....................................................................... 44
C. State of The Art .......................................................................... 47
D. Kerangka Pikir ........................................................................... 50
BAB III METODE PENELITIAN........................................................... 52
A. Tahapan Penelitian .................................................................... 52
B. Waktu dan Lokasi Penelitian ...................................................... 54
C. Instrumentasi Penelitian ............................................................. 54
D. Pengambilan Data ..................................................................... 55
E. Perancangan Sistem .................................................................. 56
F. Analisis Kinerja Sistem............................................................... 78
BAB IV HASIL DAN PEMBAHASAN ................................................... 81
A. Hasil Penelitian .......................................................................... 81
vii
B. Pembahasan .............................................................................. 83
BAB V KESIMPULAN DAN SARAN ................................................... 88
A. Kesimpulan ................................................................................ 88
B. Saran ........................................................................................ 88
DAFTAR PUSTAKA ............................................................................ 90
viii
DAFTAR TABEL
Tabel 1. State of the art ..........................................................................48
Tabel 2. Performa sistem deteksi tunas air ..............................................81
Tabel 3. Hasil deteksi tunas air ................................................................82
Tabel 4. Hasil deteksi pada minimum confidence threshold 0.9 ...............82
Tabel 5. Performa sistem pada minimum confidence threshold >0.9 .......84
Tabel 6. Objek tunas air yang tidak terdeteksi pada jarak 200 cm ...........85
ix
DAFTAR GAMBAR
Gambar 1. Tunas air pada tanaman kakao ..............................................13
Gambar 2. Ilustrasi pohon kakao .............................................................15
Gambar 3. Aturan koordinat untuk representasi citra digital .....................19
Gambar 4. Aplikasi smoothing pada citra Lena ........................................20
Gambar 5. Matriks ketetanggaan (a) horizontal dan vertikal, (b) diagonal 21
Gambar 6. Contoh kernel untuk blurring dan sharpening .........................22
Gambar 7. Tampilan Google Colab .........................................................25
Gambar 8. Tampilan halaman utama Jupyter Notebook ..........................26
Gambar 9. Tampilan antar muka Jupyter Notebook .................................27
Gambar 10. Ilustrasi operasi konvolusi (Pokharna, 2016) ........................29
Gambar 11. Contoh Hasil konvolusi menggunakan sebuah kernel konvolusi
(Dettmers, 2015) ...................................................................29
Gambar 12. Convolutional layer dengan 1 filter .......................................30
Gambar 13. Convolutional layer dengan 6 filter .......................................31
Gambar 14. Max pooling (Pokharna, 2016) .............................................31
Gambar 15. 2D bounding boxes (Ambalina, 2019) ..................................33
Gambar 16. 3D bounding box (Ambalina, 2019) ......................................34
Gambar 17. Image classification (Ambalina, 2019) ..................................34
Gambar 18. Lines and splines (Ambalina, 2019) .....................................34
Gambar 19. Polygon (Ambalina, 2019) ....................................................35
Gambar 20. Semantic segmentation (Ambalina, 2019) ............................35
Gambar 21. Perbandingan plain network dan residual network ...............37
Gambar 22. Instance segmentation (Abdulla, 2018) ................................39
Gambar 23. Arsitektur Mask R-CNN ........................................................40
Gambar 24. Ekstraksi fitur menggunakan ResNet101-FPN .....................42
Gambar 25. Proses RPN .........................................................................43
Gambar 26. Menghitung IoU ....................................................................44
Gambar 27. Kerangka pikir ......................................................................50
Gambar 28. Diagram tahapan penelitian .................................................52
x
Gambar 29. Skenario pengambilan gambar ............................................56
Gambar 30. Contoh data dengan tiga jarak pengambilan ........................56
Gambar 31. Desain alur sistem deteksi tunas air .....................................57
Gambar 32. Contoh data tunas air ...........................................................58
Gambar 33. Flowchart proses labelling menggunakan VIA ......................59
Gambar 34. Pelabelan menggunakan VIA ...............................................60
Gambar 35. Flowchart tahap training di Google Colab .............................61
Gambar 36. Perintah download modul Mask R-CNN ...............................62
Gambar 37. Perintah install modul Mask R-CNN .....................................62
Gambar 38. Perintah download data .......................................................62
Gambar 39. Perintah training ...................................................................63
Gambar 40. Tahapan pre-processing pada Mask R-CNN ........................63
Gambar 41. Contoh hasil aplikasi mean subtraction ................................64
Gambar 42. Perintah untuk re-scale citra .................................................65
Gambar 43. Perintah untuk padding ........................................................66
Gambar 44. Parameter augmentasi data citra .........................................67
Gambar 45. Contoh hasil augmentasi ......................................................68
Gambar 46. Contoh anchor boxes pada piksel (512, 512) .......................70
Gambar 47. Perintah untuk menghitung IoU ............................................71
Gambar 48. Contoh anchor positif pada citra ...........................................72
Gambar 49. Contoh anchor yang telah dilakukan refinement ...................73
Gambar 50. Bounding box dengan class dan confidence score ...............74
Gambar 51. Proses testing menggunakan Jupyter ..................................77
Gambar 52. Contoh hasil deteksi .............................................................78
Gambar 53. Bagan Confusion Matrix .......................................................79
Gambar 54. Gambar daun kering yang terdeteksi sebagai tunas air ........86
1
BAB I
PENDAHULUAN
A. Latar Belakang
Otomasi di bidang pertanian sudah menjadi perhatian di berbagai
negara. Meningkatnya pertumbuhan penduduk menuntut manusia untuk
menghasilkan lebih banyak makanan (Syarifudin, 2016). Untuk mencukupi
kebutuhan penduduk yang terus bertambah, dunia pertanian mengadopsi
istilah Revolusi Pertanian 4.0, di mana pertanian diharapkan melibatkan
teknologi digital dalam proses pengembangannya.
Tanaman kakao merupakan salah satu komoditas pertanian
terpenting di dunia selain teh dan kopi (Diby et al., 2017). Selain digunakan
sebagai minuman, kakao pada dasarnya merupakan bahan utama dalam
pembuatan produk olahan cokelat. Karena rasanya yang enak, produk
olahan cokelat banyak digemari orang di seluruh dunia. Banyaknya
penggemar cokelat berdampak pada bertambahnya permintaan terhadap
biji kakao setiap tahun. Hal ini terlihat dari meningkatnya produksi kakao
dunia dari 1.5 juta ton pada tahun 1964 menjadi 4.3 juta ton pada tahun
2015 (Jagoret et al., 2018). Namun peningkatan ini tidak selalu diiringi
dengan peningkatan produksi biji itu sendiri. Di beberapa negara produksi
biji kakao justru mengalami penurunan. Salah satu negara yang mengalami
penurunan produksi ialah Indonesia. Menurut data International Cocoa
Organization (ICCO), jumlah produksi biji kakao indonesia pada tahun 2016
2
sebanyak 320 ribu ton (“QBCS,” 2016) dan menyusut menjadi 290 ribu ton
pada tahun 2017 (Gumilar, 2018).
Tanaman kakao (Theobroma Cacao) merupakan tanaman yang
banyak dibudidayakan di perkebunan. Di habitat alaminya, kakao akan
tumbuh tinggi tetapi bunga dan buah yang dihasilkan sedikit. Berbeda
dengan tanaman kakao yang dibudidayakan di kebun, di mana produksi
buah dapat dimaksimalkan salah satunya dengan melakukan
pemangkasan.
Pemangkasan tanaman memerlukan pengetahuan tentang apa,
kapan, dan bagaimana pemangkasan itu dilakukan. Pada tanaman kakao
terdapat bagian tanaman yang disebut tunas air. Tunas air tumbuh dengan
cepat dan banyak muncul di batang utama. Selain itu tunas air juga
menyerap banyak nutrisi tanaman yang dibutuhkan dalam pembentukan
buah sehingga buah kakao beresiko kekurangan nutrisi dan menyebabkan
layu pentil (buah yang masih muda) buah kakao. Hal ini menyebabkan
tunas air harus segera dipangkas untuk bisa memperoleh produksi kakao
yang maksimal.
Pemangkasan tunas air termasuk dalam pemangkasan pemeliharaan
yang bertujuan untuk membuang cabang-cabang sekunder dan
mempertahankan kerangka tanaman. Pengetahuan tentang pemangkasan
dapat diperoleh melalui pelatihan yang seringkali diadakan oleh pemerintah
dan pihak swasta. Namun, meski sudah dibekali dengan cukup ilmu, petani
belum tentu menerapkannya di kebun. Menurut penelitian yang dilakukan
oleh Baihaqi di Kabupaten Pidie, diketahui bahwa dari 86.65% petani yang
3
mengetahui teknik pemangkasan, hanya 6.66% yang mampu menerapkan
teknik tersebut di kebunnya secara menyeluruh, sisanya hanya diterapkan
sebagian karena keterbatasan biaya (Baihaqi, 2015).
Kegiatan pemangkasan bersifat padat karya. Diperlukan tenaga yang
dapat secara rutin melakukan pemangkasan di kebun, terlebih untuk tunas
air tanaman kakao yang sering muncul pada cabang primer dan cabang
sekunder (Prawoto dkk., 2014). Biaya untuk pemangkasan dapat
menghabiskan 20% atau lebih biaya produksi pra-panen (Karkee et al.,
2014). Di sisi lain terjadi krisis petani di mana petani kini di dominasi oleh
petani usia tua, sementara generasi yang lebih muda memilih untuk bekerja
di perkotaan.
Data BPS menunjukkan terjadi penurunan jumlah Rumah Tangga
Petani (RTP) yang semula berjumlah 31.23 juta pada tahun 2003 dan turun
sebanyak 16.3% menjadi 26.13 juta RTP pada tahun 2013. Di bidang kakao,
hanya 16% petani berusia di bawah 35 tahun yang aktif mengelola
kebunnya. Angka ini akan semakin mengkhawatirkan jika ditambahkan
dengan jumlah petani berusia di atas 55 tahun yang mencapai 23%.
Penelitian mengenai otomasi di bidang pertanian sudah dilakukan
sejak beberapa dekade terakhir. Namun untuk tanaman tertentu termasuk
tanaman buah-buahan, penerapan otomatisasi telah tertinggal karena
kompleksitas operasi lapangan dan sistem tanam yang tidak konsisten
(Baugher and He, 2018). Saat ini sebagian besar penelitian tentang solusi
otomasi untuk produksi tanaman buah difokuskan pada proses panen dan
pemangkasan di mana visi mesin adalah salah satu teknologi penting yang
4
digunakan untuk mendeteksi dan melokalisasi dan deteksi serta
rekonstruksi cabang untuk pemangkasan.
Pada penelitian sebelumnya deteksi cabang tanaman dilakukan
menggunakan sensor mulai dari laser scanner, 3D camera, Kinect v2 dan
RGB-D camera dan dilakukan di perkebunan dengan arsitektur pohon yang
lebih ramah untuk pengoperasian mesin (He and Schupp, 2018). Maka dari
itu sebagai penelitian awal, penggunaan perangkat yang lebih sederhana
seperti kamera dan data berupa gambar dapat digunakan untuk
menentukan metode deteksi tunas air pada tanaman kakao.
Tunas air dapat dideteksi dari daun dan batangnya yang berwarna
hijau muda hingga merah kecokelatan. Beberapa penelitian sebelumnya
yang terkait penggunaan visi komputer untuk deteksi dan segmentasi pada
daun antara lain Wang et al. (2018), (Zhang et al., 2018), (Singh, 2019),
(Tian et al., 2019), (Xu et al., 2018) dan Shi et al., (2019). Masing masing
penelitian tersebut menggunakan metode berbeda yang disesuaikan
dengan data dan masalah yang ingin diselesaikan. Dengan
mempertimbangkan warna tunas air yang menyerupai daun kering dan
bentuknya yang beragam maka tantangannya ialah bagaimana
membedakan tunas air dengan objek lainnya yang memiliki karakter yang
mirip dengannya. Oleh karena itu dibutuhkan metode yang dapat
mendeteksi objek meskipun objek targetnya memiliki kemiripan dengan
objek lain disekitarnya.
Penelitian ini mengadopsi metode dari penelitian terkait yaitu metode
deep learning Mask R-CNN yang mampu melakukan deteksi dan
5
segmentasi objek dengan baik meskipun objek berada pada lingkungan
alaminya. Metode tersebut kemudian dikombinasikan dengan teknik image
processing untuk mengoptimalkan hasil deteksi objek tunas air. Karena
penelitian tentang deteksi tunas air pada tanaman kakao merupakan
penelitian awal maka yang menjadi fokus penelitian hanya pada metode
deteksi objek tunas air saja.
B. Rumusan Masalah
Rumusan masalah pada penelitian ini adalah:
1. Bagaimana pengaruh minimum confidence threshold terhadap unjuk
kerja sistem deteksi tunas air pada tanaman kakao menggunakan
metode Mask R-CNN dan FCN?
2. Bagaimana pengaruh jarak pengambilan gambar terhadap hasil
deteksi tunas air tanaman kakao?
C. Tujuan Penelitian
Tujuan penelitian ini adalah sebagai berikut:
1. Mengetahui pengaruh minimum confidence threshold terhadap unjuk
kerja sistem deteksi tunas air tanaman kakao menggunakan metode
Mask R-CNN dan FCN.
2. Mengetahui pengaruh jarak pengambilan gambar terhadap hasil
deteksi tunas air tanaman kakao.
D. Manfaat Penelitian
Manfaat penelitian ini adalah sebagai berikut:
6
1. Manfaat Teoretis
a. Untuk pengembangan keilmuan di bidang pengolahan citra dan
pengenalan pola dan aplikasinya pada sistem deteksi tunas air
tanaman kakao.
b. Untuk menambah kajian ilmiah dalam pengembangan
pengolahan citra dan pengenalan pola.
2. Manfaat Praktis
a. Bagi Industri, penelitian yang diusulkan memberikan kontribusi
teknologi menuju revolusi Industri 4.0
b. Membantu pengembangan teknologi otomasi di bidang
perkebunan khususnya dalam melakukan pemangkasan otomatis
pada tanaman kakao.
E. Batasan Masalah
Batasan masalah pada penelitian adalah:
1. Input berupa gambar tanaman kakao. Tanaman kakao pada
penelitian ini ialah tanaman kakao yang ditanam di kebun.
2. Objek penelitian yaitu tunas air tanaman kakao.
3. Proses pengambilan gambar dilakukan saat cuaca cerah.
4. Pengambilan gambar menggunakan kamera Nikon Coolpix P610.
F. Sistematika Penulisan
Adapun sistematika penulisan pada peneltian deteksi tunas air tanaman
kakao adalah:
7
BAB I PENDAHULUAN
Bab II berisi penjelasan tentang latar belakang penelitian deteksi tunas
air tanaman kakao beserta alasan pemilihan metode MRCNN. Selain itu,
pada bab ini juga diuraikan rumusan masalah, tujuan, manfaat dan batasan
masalah dalam penelitian ini.
BAB II TINJAUAN PUSTAKA
Bab II berisi tentang landasan teori dengan sumber acuan terbaru
yang mendukung perancangan sistem, beberapa penelitian yang terkait
dengan penelitian yang dilakukan. Selain itu, diuraikan pula State of The Art
yang merupakan penjelasan tentang hasil-hasil penelitian sebelumnya
yang berkaitan dengan penelitian yang diusulkan berkenaan dengan
deteksi tunas air pada tanaman kakao.
BAB III METODE PENELITIAN
Bab Metode Penelitian berisi uraian tentang tahapan penelitian,
bagaimana pengembangan dan penerapan sistem dengan computing
approach, rancangan sistem dan proses validasi hasil dari metode yang
digunakan.
BAB IV HASIL DAN PEMBAHASAN
Pada Bab IV menyajikan hasil dan pembahasan penelitian serta
implikasi dari penelitian yang dilakukan, di mana pada Bab IV, dipaparkan
hasil pengujian sistem deteksi tunas air tanaman kakao menggunakan
metode Mask R-CNN.
8
BAB V KESIMPULAN DAN SARAN
Pada Bab V berisi kesimpulan mengenai sistem deteksi tunas air
tanaman kakao menggunakan metode Mask R-CNN beserta akurasi yang
dihasilkan. Pada Bab V juga di tuliskan saran perbaikan sistem untuk
digunakan pada penelitian selanjutnya.
9
BAB II
TINJAUAN PUSTAKA
A. Landasan Teori
1. Kakao
Sistematika tanaman kakao menurut ITIS (Integrated Taxonomic
Information System) adalah sebagai berikut:
Kingdom : Plantae (tumbuhan)
Subkingdom : Viridiplantae (tumbuhan hijau)
Division : Tracheophyta (tumbuhan berpembuluh)
Subdivision : Spermatophytina (tumbuhan berbiji)
Class : Magnoliopsida
Order : Malvales
Family : Malvaceae
Genus : Theobroma L.
Species : Theobroma cacao L.
Menurut Cuatrecases (1964) dikenal dua subjenis kakao, yaitu cacao
dan Sphaerocarpum (chev.) Cuatr. Subjenis cacao mempunyai empat
forma (taksonomi di bawah subjenis) seperti berikut.
1) Forma cacao. Anggotanya tipe criollo dari Amerika tengah. Bentuk
biji bulat, keeping biji (kotiledon) putih, dan mutunya tinggi.
2) Forma pentagonum. Hanya dikenl di Meksiko dan Amerika tengah.
Biji bulat besar, kotiledon putih, dan mutunya tinggi.
10
3) Forma leiocarpum. Biji bulat atau montok (plum), kotiledon putih
atau ungu pucat, dan mutunya tinggi. Klon-klon Djati Runggo (DR)
termasuk forma ini.
4) Forma lacandonense. Dikenal di dekat Chiapas, Meksiko. Forma
ini termasuk kakao liar.
Berdasarkan varietasnya, terdapat tiga macam kakao yang
dibudidayakan di dunia antara lain:
1) Criollo
Criollo merupakan tipe tanaman kakao yang menghasilkan biji
kakao kering premium yang dikenal sebagai fine flavour cocoa,
choiced cocoa, serta kakao mulia. Kakao Criollo dibedakan atas 2
jenis, yaitu Central America Criollos dan South America Criollos.
Kakao jenis Criollo memasok kurang dari 7% produksi kakao
dunia yang dihasilkan oleh negara Equador, Venezuela, Trinidad,
Grenada, Jamaika, Srilanka serta Indonesia.
Kakao jenis Criollo memiliki ciri pertumbuhan tanaman kurang
kuat dengan produksi yang rendah serta lamban berbuah. Tunas
mudanya berbulu, memiliki tongkol buah berwarna hijau atau
merah bila masih muda dan kuning orange ketika sudah matang,
agak peka terhadap hama dan penyakit.
Buahnya tumpul, sedikit bengkok dan tidak memiliki
bottleneck.Tekstur kulit buah kasar berbintil, tipis dan lunak.
Terdapat 30 - 40 biji di setiap buah kakao. Biji berbentuk bulat telur
dengan kotiledon berwarna putih pada saat kering. Dinding buah
11
tipis, agak lembut kadang-kadang berkerut. Daun lebih kecil dari
jenis-jenis yang lainnya, mempunyai 2-3 cabang dari jorquette.
2) Forastero
Forastero merupakan tipe tanaman yang menghasilkan biji
kakao kering bermutu sedang yang dikenal sebagai ordinary
cacao atau kakao lindak serta bulk cacao. 93% kakao yang
beredar di pasaran merupakan jenis kakao lindak yang dihasilkan
Negara-negara di Afrika Barat, Brazil dan Dominica. Kakao lindak
(bulk) adalah anggota subjenis Sphaerocarpum yang telah
tersebar luas di daerah tropika.
Kakao Forastero memiliki ciri pertumbuhan tanaman kuat dan
produktivitas tinggi, menghasilkan buah lebih cepat, relatif lebih
tahan terhadap hama dan penyakit. Kulit buah agak keras namun
permukaaannya halus. Buah memiliki bottleneck ada juga yang
tidak. Endosperm berwarna ungu tua dan berbentuk gepeng pada
waktu basah. Kulit buah berwarna hijau dengan alur kulit buah
dalam.
3) Trinitario
Trinitario merupakan tipe hibrida yang berasal dari
persilangan alami Criollo dan Forastero. Biji kering yang
dihasilkan bisa kakao mulia maupun kakao lindak. Kakao Trinitario
memiliki ciri yaitu masa pertumbuhan yang cepat dan produktivitas
tinggi. Bentuk buah bermacam-macam dengan warna kulit buah
12
berwarna merah dan hijau. Warna kotiledon berwarna ungu dan
ungu tua ketika masih basah.
Kakao merupakan satu-satunya diantara 22 jenis marga Theobroma,
suku Malvaceae yang diusahakan secara masal karena nilai ekonominya
yang tinggi.
Tanaman Kakao (Theobroma cacao L.) merupakan salah satu
komoditas perkebunan yang memiliki peranan penting dalam meningkatkan
pendapatan dan kesejahteraan petani khususnya di Indonesia (Rubiyo and
Siswanto, 2012). Indonesia merupakan penghasil kakao ketiga terbesar di
dunia. Luas lahan tanaman kakao Indonesia lebih kurang 992.448 ha
dengan produksi biji kakao sekitar 456.000 ton per tahun, dan produktivitas
rata-rata 900 kg/ha (Gambaran Sekilas Industri Kakao, 2007). Sedangkan
menurut FAO, pada tahun 2017 total produksi biji kakao Indonesia
sebanyak 659.776 ton (FAO, 2019).
Kakao merupakan sumber pendapatan dan mata pencaharian utama
bagi sekitar satu juta petani di Indonesia. Sekitar 60 sampai 70% produksi
kakao nasional dihasilkan oleh petani kecil di Sulawesi (Tothmihaly et al.,
2019).
Di Sulawesi sendiri, kakao yang banyak dibudidayakan adalah jenis
Sulawesi 1 (S1) dan Sulawesi 2 (S2). Kedua varietas ini merupakan klon
unggulan dari varietas kakao lindak yang sudah dikenal petani lebih dari 30
tahun (“Sulawesi 1 dan 2, Klon Unggul Asal Celebes,” n.d.).
13
a. Batang dan cabang
Tanaman kakao memiliki habitat asli di hutan tropis dengan naungan
pohon-pohon yang tinggi, curah hujan tinggi, suhu sepanjang tahun relatif
sama serta kelembaban tinggi yang relatif tetap. Tanaman kakao bersifat
dimorfisme, artinya mempunyai dua bentuk tunas vegetatif. Tunas yang
arah pertumbuhannya ke atas seperti yang ditampilkan pada Gambar 1
disebut dengan tunas ortotrop atau tunas air (wiwilan atau chupon),
sedangkan tunas yang arah pertumbuhannya ke samping disebut dengan
plagiotrop (cabang kipas atau fan).
Gambar 1. Tunas air pada tanaman kakao
Tanaman kakao asal biji, setelah mencapai tinggi 0.9 – 1.5 meter akan
berhenti tumbuh dan membentuk jorket (jorquette). Jorket adalah tempat
percabangan dari pola percabangan ortotrop ke plagiotrop dan khas hanya
pada tanaman kakao. Pembentukan jorket didahului dengan berhentinya
pertumbuhan tunas ortotrop karena ruas-ruasnya tidak memanjang.
14
Pada ujung tunas tersebut, stipula (semacam sisik pada kuncup
bunga) dan kuncup ketiak daun serta tunas daun tidak berkembang. Dari
ujung perhentian tersebut selanjutnya tumbuh 3 - 6 cabang yang arah
pertumbuhannya condong ke samping membentuk sudut 0 - 60º dengan
arah horizontal. Cabang-cabang itu disebut dengan cabang primer (cabang
plagiotrop). Pada cabang primer (lihat Gambar 2) tersebut kemudian
tumbuh cabang-cabang lateral (fan) sehingga tanaman membentuk tajuk
yang rimbun.
Pada tanaman kakao dewasa sepanjang batang pokok tumbuh
wiwilan atau tunas air (chupon). Dalam teknik budidaya yang benar, tunas
air ini selalu dibuang, tetapi pada tanaman kakao liar, tunas air tersebut
akan membentuk batang dan jorket yang baru sehingga tanaman
mempunyai jorket yang bersusun.
Dari tunas plagiotrop biasanya tumbuh tunas-tunas plagiotrop, tetapi
kadang-kadang juga tumbuh tunas ortotrop. Pangkasan berat pada cabang
plagiotrop yang besar ukurannya merangsang tumbuhnya tunas ortrotop itu.
Tunas ortotrop hanya membentuk tunas plagiotrop setelah membentuk
jorket. Tunas ortotrop membentuk tunas ortotrop baru dengan menumbuh-
kan tunas air.
15
Gambar 2. Ilustrasi pohon kakao
b. Daun
Sama dengan sifat percabangannya, daun kakao juga bersifat
dimorfisme. Pada tunas ortotrop, tangkai daunnya panjang, yaitu 7.5-10 cm
sedangkan pada tunas plagiotrop panjang tangkai daunnya hanya sekitar
2,5 cm. Tangkai daun bentuknya silinder dan bersisik halus, bergantung
pada tipenya. Salah satu sifat khusus daun kakao yaitu adanya dua
persendian (articulation) yang terletak di pangkal dan ujung tangkai daun.
Dengan persendian ini dilaporkan daun mampu membuat gerakan untuk
menyesuaikan dengan arah datangnya sinar matahari.
Bentuk helai daun bulat memanjang (oblongus) ujung daun meruncing
(acuminatus) dan pangkal daun runcing (acutus). Susunan daun tulang
menyirip dan tulang daun menonjol ke permukaan bawah helai daun. Tepi
daun rata, daging daun tipis tetapi kuat seperti perkamen.
16
2. Pemangkasan Tanaman Kakao
Pemangkasan adalah langkah pembuangan beberapa bagian pada
tanaman seperti cabang dan ranting untuk mendapatkan bentuk tertentu,
sehingga tanaman dapat mencapai tingkat efisiensi yang tinggi agar cahaya
matahari mampu menyinari, mempermudah mendeteksi hama penyakit,
serta mempermudah proses panen tanaman tersebut.
Selain itu pemangkasan juga berguna untuk mengurangi beban
tanaman, sehingga keberadaan daun, rating, dan buah yang terlampau
lebat dapat dikurangi. Dengan begitu, tanaman dapat menghasilkan buah
dengan kualitas dan kuantitas yang lebih baik (Agroteknologi, 2016).
a. Macam-macam pemangkasan dan pelaksanaannya
1) Pemangkasan bentuk
Pemangkasan bentuk terdiri dari dua fase, yaitu fase muda dan fase
remaja. Pemangkasan pada fase muda dilakukan pada saat tanaman
berumur 8 - 12 bulan dengan memotong cabang yang lemah dan
mempertahankan 3 - 4 cabang yang letaknya merata ke segala arah untuk
membentuk jourquette (percabangan). Sedangkan pemangkasan pada
fase remaja, dilakukan pada saat tanaman berumur 18 - 24 bulan dengan
memotong ujung cabang primer pada jarak 75 - 100 cm dari jourquette
(percabangan) untuk memacu tumbuhnya cabang sekunder.
2) Pemangkasan pemeliharaan
Pemangkasan pemeliharaan dilakukan dengan frekuensi 2 - 3 bulan
sekali per pohon agar kerangka tanaman kakao yang sudah baik dapat
17
dipertahankan, mengatur agar penyebaran daun produktif merata,
membuang bagian tanaman yang tidak dikehendaki, mengatur agar tinggi
tanaman tetap pada kisaran 3 – 4 meter (Angela and Efendi, 2015).
Pemangkasan diprioritaskan pada cabang yang terserang penyakit,
cabang yang menggantung, cabang overlapping, cabang sekunder dan
tersier yang tumbuhnya kurang dari 40 cm dari pangkal cabang primer atau
sekunder, cabang-cabang sekunder berikutnya diatur agar jaraknya tidak
terlalu rapat satu sama lain, dan tunas air.
3) Pemangkasan produksi
Pemangkasan produksi dilakukan berkesinambungan dengan
pemangkasan pemeliharaan. Tujuannya adalah untuk memaksimalkan
produktivitas tanaman. Pemangkasan produksi dilakukan dua kali setahun
pada akhir musim kemarau – awal musim penghujan serta pada
pertengahan musim penghujan dengan memangkas daun-daun agar tidak
terlalu rimbun sehingga sinar matahari bisa tersebar merata ke seluruh
organ daun. Dengan demikian, proses fisiologis terpenting dari tanaman,
yaitu fotosintesis bisa berjalan lancar sehingga sirkulasi makanan dari daun
keseluruh organ tanaman juga lancer dan dapat berproduksi secara optimal.
Sasaran pemangkasan produksi adalah ranting-ranting atau cabang
tersier yang mendukung daun-daun tidak produktif, ranting-ranting yang
sakit atau rusak dan cabang cacing. Tunas-tunas air yang tumbuh dari
pangkal cabang tersier dan cabang sekunder pada jarak 15 - 25 cm dari
pangkal cabang sekunder dipotong. Ranting-ranting dengan daun yang
terlindung atau kurang mendapat sinar matahari juga harus dipotong.
18
Cabang-cabang tersier yang yang terlalu subur juga dibuang karena sering
mengganggu keseimbangan pertumbuhan, demikian pula cabang-cabang
kecil yang akan masuk ke dalam tajuk tanaman tetangga atau di dekatnya.
Cabang yang menggantung ke bawah dikurangi daunnya agar tidak
menghambat sirkulasi udara dalam kebun (Admin, 2014).
3. Image Processing
Image processing merupakan metode untuk mengolah citra digital
menggunakan berbagai algoritma image processing seperti image filtering,
morphological operation, geometric transformation, color conversion,
feature detection, dan lain-lain yang bertujuan untuk memperbaiki kualitas
citra ataupun untuk mengekstrak informasi dari citra tersebut (Hermawati,
2013).
Citra merupakan visualisasi objek nyata atau objek lainnya dalam
format dua dimensi f(x,y), di mana x dan y adalah koordinat bidang datar
dan harga fungsi f adalah intensitas atau level keabuan (grey level) dari titik
di gambar itu. Jika x, y dan f semuanya berhingga (finite) dan nilainya diskrit,
maka gambar tersebut merupakan citra digital. Citra digital merupakan
format citra yang dapat diolah oleh computer. Sebuah citra digital terdiri dari
elemen-elemen yang disebut sebagai picture element, image element, pels
atau pixels yang merupakan elemen berhingga yang masing-masing
mempunyai lokasi (lihat Gambar 3) dan nilai intensitas tertentu (Hermawati,
2013).
19
Gambar 3. Aturan koordinat untuk representasi citra digital
Sebuah citra digital lengkap berukuran M baris x N kolom dapat ditulis
dalam bentuk matriks seperti pada Persamaan (1).
)1,1()1,1()0,1(
)1,1()1,1()0,1(
)1,0()1,0()0,0(
),(
NMfMfMf
Nfff
Nfff
yxf
(1)
Banyaknya piksel yang terdapat dalam sebuah citra menyatakan
resolusi citra tersebut. Semakin besar jumlah pikselnya maka semakin baik
kualitas suatu citra. Resolusi citra dituliskan sebagai 320 x 240, 640 x 480,
800 x 600, 1024 x 768 dan seterusnya. Sebagai contoh 800 x 600 berarti
terdapat 800 piksel baris dan 600 piksel kolom. Jumlah bit yang dibutuhkan
untuk menyimpan citra digital adalah b = M x N x k. Di mana M = jumlah
baris citra, N = jumlah kolom citra dan k = jumlah bit yang dibutuhkan untuk
menyatakan sebual nilai keabuan.
20
4. Image filtering
Filtering adalah teknik untuk memodifikasi citra. Dengan
mengaplikasikan filter pada sebuah citra maka fitur-fitur tertentu yang
terdapat di dalam citra tersebut dapat ditonjolkan atau dihapus. Operasi
image processing dengan filtering antara lain smoothing, sharpening, dan
edge enhancement.
Smoothing dapat digunakan untuk pengaburan (blurring) dan
mengurangi noise yang terdapat di dalam citra. Blurring biasa digunakan
untuk menghapus detail kecil dari sebuah citra yang objeknya berukuran
besar dan menjembatani jarak kecil pada garis atau kurva. Beberapa filter
yang digunakan untuk smoothing di antaranya median filter, gaussian filter
dan bilateral filter (lihat Gambar 4)
Gambar 4. Aplikasi smoothing pada citra Lena
Citra Lena (original)
Citra Lena (median filter)
Citra Lena (Gaussian filter)
Citra Lena (bilateral filter)
21
Tidak seperti smoothing, sharpening atau operasi penajaman
mencoba untuk menonjolkan detail yang ada di gambar. Untuk itu nilai
piksel dibuat berbeda dengan piksel tetangganya.
Filtering merupakan operasi ketetanggaan (neighborhood operation)
di mana nilai setiap piksel yang diberikan dalam gambar output ditentukan
dengan menerapkan beberapa algoritma pada nilai-nilai piksel input
tetangganya. Sebuah piksel p pada koordinat (x,y) mempunyai 4-tetangga
horizontal dan vertikal dengan koordinat (x+1,y), (x-1,y), (x,y+1), (x,y-1).
Himpunan piksel ini disebut 4-tetangga dari p (N4(p)). Selain 4-tetangga
horizontal dan vertikal juga terdapat tetangga diagonal dari p yang
mempunyai koordinat (x+1,y+1), (x+1,y-1), (x-1,y+1), (x-1,y-1) dan
dinotasikan dengan ND(p) (Hermawati, 2013). Matriks ketetanggaan dapat
dilihat pada Gambar 5.
Gambar 5. Matriks ketetanggaan (a) horizontal dan vertikal, (b) diagonal
Ukuran piksel di mana fungsi manipulasi atau filter dijalankan disebut
kernel. Pada Gambar 6 digunakan kernel berukuran 3 x 3 piksel untuk
melakukan operasi blurring dan sharpening.
(x-1,y) (x-1,y-1) (x-1,y+1)
(x,y-1) p (x,y+1) p
(x+1,y) (x+1,y-1) (x+1,y+1)
(a) (b)
22
Gambar 6. Contoh kernel untuk blurring dan sharpening
Proses bluring pada Gambar 6 menggunakan median filter di mana
kernel 3 x 3 yaitu 1,5,5,5,6,6,9,10,10 menghasilkan median 6 sehingga
piksel (1,1) yang bernila 10 diganti menjadi 6. Sedangkan pada proses
sharpening dilakukan operasi konvolusi antara kernel dan matriks
ketetanggaan pada piksel (1,1).
5. Computer Vision
Computer vision didefinisikan sebagai salah satu cabang ilmu
pengetahuan yang mempelajari bagaimana komputer dapat mengenali
obyek yang diamati/diobservasi. Computer vision berhubungan dengan
pencitraan otomatis dan pengolahan otomatis suatu citra berbasis
komputer untuk mengestrak dan menginterpretasikan informasi. Computer
vision bekerja dengan cara memproses data citra menggunakan kombinasi
algoritma pengolahan citra dan kecerdasan buatan sehingga dapat
menghasilkan informasi dan citra tersebut.
23
Computer Vision dalam melaksanakan tugas-tugas membutuhkan
proses yang kompleks. Biasanya, untuk setiap aplikasi yang diberikan,
keseluruhan tugas tidak dapat dilaksanakan pada sebuah tahapan tunggal.
Computer Vision terdiri dari tahapan-tahapan seperti perolehan citra,
preprocessing, pengekstraksian fitur, penyimpanan objek secara asosiatif,
pengaksesan suatu basis pengetahuan, dan pengenalan (Robert B.Fisher,
2013).
6. Pre-processing
Normalisasi
Normalisasi data memainkan peran penting dalam preprocessing. Hal
ini diperlukan saat dihadapkan dengan data yang memiliki parameter unit
dan skala yang berbeda. Dalam image processing normalisasi merupakan
proses untuk mengubah kisaran nilai intensitas piksel. Nilai piksel pada
sebagian besar data gambar ialah antara 0 - 255. Pada neural network nilai
ini perlu dinormalisasi agar nilai piksel berada di antara 0 – 1. Hal ini
membantu mempercepat konvergensi selama pembelajaran. Proses
normalisasi dilakukan dengan membagi tiap nilai piksel dengan nilai piksel
terbesar sebagaimana terlihat pada Persamaan 2:
minmax
min'xx
xxx
(2)
Mean subtraction
Mean substraction merupakan teknik persiapan data di mana nilai
tiap piksel dikurangi dengan nilai rata-rata seluruh piksel sehingga distribusi
nilai piksel dipusatkan pada nilai nol. Untuk itu pendekatan ini disebut
24
centering / pemusatan. Pemusatan x’ mengharuskan nilai piksel rata-rata
(mean pixel value) μ dihitung sebelum mengurangkannya dari nilai piksel x
seperti terlihat pada Persamaan 3:
xx' (3)
Nilai rata-rata dapat dihitung untuk semua piksel dalam gambar
(global centering) atau dihitung untuk setiap saluran (local centering) jika
gambar yang digunakan berwarna.
7. Google Colaboratory
Google Colaboratory atau disebut juga Google Colab adalah tools
yang dikeluarkan oleh Google Internal Research. Tools ini dibuat untuk
membantu para Peneliti dalam mengolah data, khususnya di bidang
Machine Learning. Dengan Google Colab pengguna dapat mengakses
sumber daya yang powerful melalui browser secara bebas untuk
mengeksekusi kode dan membangun aplikasi menggunakan berbagai
library yang tersedia seperti Numpy, OpenCV, Keras, TensorFlow, dan lain-
lain.
Google Colab seperti terlihat pada Gambar 7 memiliki tampilan yang
mirip dengan Jupyter Notebook dan dibuat di atas environment Jupyter
yang tidak memerlukan pengaturan terlebih dahulu sebelum digunakan dan
berjalan sepenuhnya pada cloud dengan memanfaatkan media
penyimpanan Google Drive (Digmi, 2018).
25
Gambar 7. Tampilan Google Colab
Selain bahasa python, terdapat beberapa perintah yang bisa
digunakan di Google Colab seperti perintah git, pip dan sed. Git merupakan
fasilitas version control system yang banyak digunakan oleh programmer
untuk berbagi paket program dan membangun aplikasi secara bersama-
sama dengan menggunakan perintah dasar seperti git init (membuat
repositori/tempat penyimpanan paket program), git add (menambah file
baru pada repositori), git clone (menyalin repositori), dll (“Git,” n.d.).
Pip adalah salah satu pengelola paket python. Perintah pip
merupakan baris program yang dapat dieksekusi di command
prompt/penerjermah baris perintah yang ada di Windows ataupun python
interpreter. Adapun sed merupakan stream editor dari Unix yang digunakan
untuk manipulasi script tanpa harus membuka file sumbernya.
26
8. Jupyter Notebook
Jupyter Notebook merupakan aplikasi yang digunakan untuk
membangun aplikasi untuk keperluan scientific computation seperti data
science, machine learning, data processing, analisis, prediksi, dan lain
sebagainya menggunakan bahasa pemrograman python. Jupyter Notebook
memungkinkan penggunanya untuk mengintegrasikan antara kode dengan
output di dalam satu dokumen secara interaktif (Faqih, 2019).
Gambar 8. Tampilan halaman utama Jupyter Notebook
Jupyter Notebook merupakan aplikasi bawaan dari platform Anaconda
yang berjalan di halaman browser. Anaconda sendiri merupakan platform
berbasis open source untuk bahasa pemrograman Python dan R.
Anaconda diciptakan untuk memudahkan pengguna dalam mengelola
paket Python yang terdapat di sistem (Wijaya, 2019).
27
Saat membuka Jupyter Notebook maka yang pertama tampil adalah
halaman utama sebagaimana terlihat pada Gambar 8. Adapun antarmuka
dari Jupyter Noteboook terdiri dari cell yang merupakan area di mana kode
dan teks dituliskan. Untuk mengeksekusi kode dan menampilkan output
dapat dilakukan dengan menekan SHIFT+ENTER pada keyboard atau
tombol RUN di Toolbar pada cell aktif (Faqih, 2019). Pada Gambar 9 dapat
dilihat bahwa cell untuk menulis dan mengeksekusi kode python disebut
code cell sedangkan cell untuk menuliskan teks yang terformat disebut
markdown cell.
Gambar 9. Tampilan antar muka Jupyter Notebook
9. Convolutional Neural Network
Convolutional Neural Network (CNN) adalah kelas jaringan saraf
tiruan yang menggunakan lapisan konvolusional dalam menyaring input
untuk memperoleh informasi yang berguna. Aplikasi CNN mencakup
berbagai sistem pemrosesan citra (image recognition, image classification,
28
pelabelan video, analisis teks) dan suara (speech recognition, natural
language processing, klasifikasi teks), serta sistem AI seperti robot, asisten
virtual, dan mobil self-driving.
Jaringan konvolusional tersusun atas input layer, output layer, dan
beberapa lapisan tersembunyi (hidden layer). CNN berbeda dari artificial
neural network (ANN) yang mana inputnya berupa vektor. Pada CNN,
lapisan inputnya berupa gambar yang diatur dalam tiga dimensi (dimensi
lebar, tinggi, dan kedalaman). Dimensi kedalaman terdiri dari tiga matriks
piksel, masing-masing matriks mewakili satu saluran warna merah, hijau
dan biru. Sebuah piksel terdiri dari nilai integer antara 0 dan 255 di setiap
saluran. Hidden layer dapat berupa convolutional kernel yang terdiri dari
matriks tunggal. Output layer yang dihasilkan berupa gambar yang disebut
feature map.
Pada Gambar 10 diperlihatkan input citra dengan dimensi 32×32×3
kemudian diberikan filter 5×5×3 yang akan bergeser sesuai besar stride
yang telah ditentukan untuk memindai gambar. Stride adalah parameter
yang menentukan berapa jumlah pergeseran filter. Setiap pergeseran akan
diperoleh sebuah nilai yang merupakan hasil operasi konvolusi antara filter
dan potongan gambar.
29
Gambar 10. Ilustrasi operasi konvolusi (Pokharna, 2016)
Contoh hasil konvolusi menggunakan convolutional kernel pendeteksi
tepi pada CNN dapat dilihat pada Gambar 11 berikut:
Gambar 11. Contoh Hasil konvolusi menggunakan sebuah kernel
konvolusi (Dettmers, 2015)
a. Convolutional Layers
Hidden layer adalah kombinasi dari lapisan konvolusi (convolutional
layers), lapisan penyatuan (pooling layers), lapisan normalisasi
(normalization layer), dan lapisan yang terhubung sepenuhnya (fully
connected layers).
30
Gambar 12. Convolutional layer dengan 1 filter
Lapisan konvolusional terdiri dari satu set filter independen. Jika
terdapat suatu citra berdimensi 6×6×3 dan dikonvolusi menggunakan
sebuah filter berdimensi 3×3×3, maka akan dihasilkan sebuah feature map
yang berukuran 4×4×1 sebagaimana terlihat pada Gambar 12. Jika citra
tersebut dikonvolusi menggunakan satu set filter terdiri atas 6 filter
berdimensi 3×3×3, maka setiap filter secara independen dikonvolusi
dengan gambar dan menghasilkan 6 feature map yang masing-masing
berukuran 4×4×1 sebagaimana terlihat pada Gambar 13. Convolutional
layer akan menghitung output dari neuron yang terhubung ke daerah lokal
dalam input, masing-masing menghitung produk titik antara bobot mereka
dan wilayah kecil yang terhubung ke dalam volume input. Convolutional
layer bertindak sebagai filter matematika yang membantu komputer
menemukan tepi gambar, area gelap dan terang, warna, dan detail lainnya,
seperti tinggi, lebar dan kedalaman.
31
Gambar 13. Convolutional layer dengan 6 filter
Pooling layer berfungsi untuk mengurangi dimensi dari feature map
atau lebih dikenal dengan langkah untuk downsampling, sehingga
mempercepat komputasi karena parameter yang harus diupdate semakin
sedikit dan mengatasi overfitting. Pooling yang biasa digunakan adalah Max
Pooling dan Average Pooling. Max Pooling digunakan untuk menentukan
nilai maksimum tiap pergeseran filter seperti yang terlihat pada Gambar 14,
sementara Average Pooling akan menentukan nilai rata-ratanya. Pooling
layer beroperasi pada setiap feature map secara independen.
Single depth slice
Max pool with 2x2 filters
and stride 2
Gambar 14. Max pooling (Pokharna, 2016)
32
Activation function berfungsi untuk membuat neural network menjadi
non-linear. Beberapa fungsi aktifasi yang sering digunakan diantaranya
Sigmoid, Tanh dan Rectified Linear Unit (ReLU).
Fully-connected (FC) layer adalah lapisan neuron yang terdapat pada
lapisan terakhir CNN. Neuron dalam FC layer memiliki koneksi penuh ke
semua fungsi aktivasi di lapisan sebelumnya. FC layer menentukan
hubungan antara posisi fitur dalam gambar dan kelas.
b. Stride
Stride adalah parameter yang menentukan berapa jumlah pergeseran
filter. Jika nilai stride adalah 1, maka convolutional filter akan bergeser
sebanyak 1 piksel secara horizontal lalu vertikal.
Semakin kecil stride, maka akan semakin detail informasi yang
diperoleh dari sebuah input, namun membutuhkan komputasi yang lebih
jika dibandingkan dengan stride yang besar. Namun penggunaan stride
yang kecil tidak selalu akan mendapatkan performa yang bagus.
10. Image Annotation
Image annotation ialah pemberian anotasi berupa label pada gambar.
Label-label ini telah ditentukan sebelumnya dan dipilih untuk memberikan
informasi berupa kelas pada model visi komputer tentang apa yang
ditampilkan dalam gambar. Pemberian anotasi pada setiap gambar dapat
bervariasi. Pada beberapa kasus (klasifikasi gambar) hanya diperlukan satu
anotasi untuk mewakili konten seluruh gambar dan pada kasus beberapa
objek dalam gambar diberi anotasi berbeda sesuai dengan kelasnya. Pada
33
tesis ini pemberian anotasi dilakukan pada objek tertentu dalam hal ini tunas
air.
Untuk melakukan anotasi, diperlukan tiga hal, yaitu: (1) gambar; (2)
orang yang melakukan anotasi pada gambar; (3) platform untuk anotasi
gambar.
Terdapat 5 macam anotasi gambar yang biasa dipakai dalam visi
komputer, di antaranya yaitu: 2D and 3D bounding boxes (Gambar 15 dan
Gambar 16), Image classification (Gambar 17), Lines and Splines (Gambar
18), polygon dan semantic segmentation (Gambar 19 dan Gambar 20)
(Ambalina, 2019).
Gambar 15. 2D bounding boxes (Ambalina, 2019)
34
Gambar 16. 3D bounding box (Ambalina, 2019)
Gambar 17. Image classification (Ambalina, 2019)
Gambar 18. Lines and splines (Ambalina, 2019)
35
Gambar 19. Polygon (Ambalina, 2019)
Gambar 20. Semantic segmentation (Ambalina, 2019)
11. Residual Network (ResNet)
Tujuan utama dari Residual Network (ResNet) ialah untuk
membangun neural network yang lebih dalam (jaringan dengan banyak
lapisan). Semakin dalam sebuah jaringan saraf convolutional maka training
error secara bertahap terus berkurang (Ruiz, 2019). Namun, untuk jaringan
saraf tradisional, pada kedalaman tertentu training error akan kembali
meningkat. Ini dapat diatasi dengan pemetaan identitas (Maladkar, 2018).
36
Neural network harus dapat dengan mudah menyelesaikan fungsi
identifikasi, di mana output dari suatu fungsi )(xf menjadi input itu sendiri
seperti pada Persamaan 4 (Ruiz, 2019).
xxf )( (4)
Dengan logika yang sama, jika mem-bypass input ke lapisan pertama
dari model untuk menjadi output dari lapisan terakhir dari model, jaringan
dapat memprediksi fungsi apa pun yang sedang dipelajari sebelum input
ditambahkan ke dalamnya sebagaimana terlihat pada Persamaan 5 (Ruiz,
2019).
)()( xhxxf (5)
Dengan ResNets, gradien dapat mengalir langsung melalui skip
connection dari filter awal ke lapisan berikutnya (Ruiz, 2019).
ResNets dapat memiliki ukuran variabel, tergantung pada seberapa
besar masing-masing lapisan model, dan berapa banyak lapisan yang
dimilikinya (Ruiz, 2019).
Menurut Kaiming He et al., ResNet (Gambar 21) terdiri dari satu
konvolusi dan pooling (oranye) diikuti oleh 4 lapisan yang serupa di mana
setiap lapisan mengikuti pola yang sama. Masing-masing melakukan
konvolusi 3x3 dengan dimensi feature map (F) [64, 128, 256, 512], melewati
input setiap 2 konvolusi. Selain itu, dimensi lebar (W) dan tinggi (H) tetap
konstan di seluruh lapisan (He et al., 2015)
37
Gambar 21. Perbandingan plain network dan residual network
38
Garis putus-putus pada Gambar 21 menunjukkan bahwa telah ada
perubahan dalam dimensi volume input (disebabkan oleh pengurangan
saat konvolusi). Dapat diperhatikan bahwa pengurangan antar lapisan ini
dicapai dengan peningkatan pada langkahnya, dari 1 menjadi 2, pada lilitan
pertama dari setiap lapisan, bukan dengan operasi penyatuan, yang biasa
disebut sebagai down sampling.
Secara umum, deep convolutional neural network terdiri dari banyak
lapisan yang ditumpuk dan dilatih untuk melakukan tugas yang diberikan.
Jaringan konvolutional mempelajari fitur-fitur level rendah hingga level tinggi
dan pada akhirnya memperoleh convolutional feature map (peta fitur
konvolusi) yang memiliki dimensi spasial yang jauh lebih kecil dari gambar
asli, tetapi memiliki kedalaman yang lebih besar.
Peta fitur konvolusi mengkodekan semua informasi untuk gambar
namun tetap mempertahankan lokasi fitur yang telah dikodekan relatif
terhadap gambar asli. Sebagai contoh, jika terdapat titik merah di sisi kanan
atas pada gambar dan lapisan konvolusional mengaktifkannya, maka
informasi untuk titik merah itu akan tetap di sisi kanan atas peta fitur
konvolutional.
12. Mask R-CNN
Mask R-CNN adalah framework deep learning yang diperkenalkan
oleh tim Facebook AI Research (FAIR) pada tahun 2017. Framework ini
dapat melakukan deteksi objek pada gambar yang sekaligus menghasilkan
mask segmentation untuk setiap instance atau biasa disebut dengan
instance segmentation (He et al., 2018). Berdasarkan Gambar 22 dapat
39
dilihat bahwa instance segmentation mirip dengan object detection di mana
masing-masing objek dideteksi satu per satu namun kemudian
dikombinasikan dengan semantic segmentation sehingga setiap objek
dapat diketahui kelas, lokasi serta dapat dibedakan pikselnya.
Gambar 22. Instance segmentation (Abdulla, 2018)
Dalam melakukan deteksi, Mask R-CNN dapat dibagi menjadi tiga
bagian, yaitu: (i) feature extraction network, (ii) region-proposal network,
dan (iii) instance detection and segmentation networks sebagaimana
terlihat pada Gambar 23 (Shi et al., 2019). Untuk mengekstrak fitur, Mask
R-CNN mengaplikasikan arsitektur multiple backbone. Beberapa backbone
yang digunakan untuk Mask R-CNN ialah ResNet, ResNext serta FPN.
Melalui uji coba, kombinasi ResNet-FPN menghasilkan akurasi dan
kecepatan di atas rata-rata dalam mengekstrak fitur. Pada proses Region
40
Proposal Network (RPN) akan dihasilkan Region of Interest (RoI) yang
selanjutnya menjadi input pada tahap instance detection and segmentation
networks.
Gambar 23. Arsitektur Mask R-CNN
Pada proses training Mask R-CNN terdapat beberapa parameter yang
diatur antara lain epoch atau banyaknya siklus pelatihan, steps per epoch
atau banyaknya iterasi per epoch, validation step atau banyaknya validasi
yang dilakukan di akhir setiap epoch (semakin banyak validasi yang
dilakukan dapat meningkatkan akurasi tetapi dapat mempelambat proses
training), backbone arsitektur jaringan, jumlah kelas, dimensi maximum dan
minimum citra (untuk proses resize dan padding), RPN NMS threshold dan
mean pixel dari dataset latih.
a. Feature extraction
Ekstraksi fitur atau feature extraction bertujuan untuk mendapatkan
informasi yang terdapat dalam citra tunas air dan merepresentasikan
informasi tersebut dalam ruang dimensi yang lebih rendah sehingga tugas
klasifikasi pola menjadi mudah.
41
Mask R-CNN menggunakan kombinasi arsitekstur ResNet101 dan
FPN (Feature Pyramid Network) untuk menghasilkan fitur RoI saat ekstraksi
fitur dilakukan. FPN adalah komponen dasar dalam sistem rekognisi untuk
mendeteksi objek pada skala yang berbeda menggunakan gambar yang
sama.
FPN menggunakan feature map yang bervariasi sehingga
menghasilkan informasi yang lebih berkualitas. FPN merupakan feature
extractor yang didesain menggunakan konsep piramid namun lebih unggul
dalam hal kecepatan dan akurasi. FPN memproses informasi dengan dua
cara yaitu dari bawah ke atas (bottom-up) dan dari atas ke bawah (top-
down).
Pemrosesan data bottom-up mengekstrak fitur menggunakan ResNet,
yang mana semakin ke atas dimensi spasial setiap lapisan semakin
berkurang sedangkan nilai semantiknya semakin bertambah. Pemrosesan
secara top-down meningkatkan resolusi lapisan semantik namun lokasi
objek tidak presisi. FPN menambahkan koneksi lateral antar lapisan yang
direkonstruksi dan feature map yang sesuai untuk membantu detektor
memprediksi lokasi dengan lebih baik. Koneksi lateral adalah operasi
konvolusi dan penjumlahan antara dua level yang sesuai dari kedua
pathway. FPN melampaui single ConvNet utamanya karena
mempertahankan fitur semantik pada berbagai resolusi.
42
Gambar 24. Ekstraksi fitur menggunakan ResNet101-FPN
Pada Gambar 24 dapat dilihat proses ekstraksi di mana ukuran setiap
lapisan feature map dikurangi setengahnya sedangkan jumlah feature map
digandakan, menjadi dua kali lipat. Dari ResNet101 diekstrak empat feature
map (layer-1, layer-2, layer-3 dan layer-4). Untuk menghasilkan feature map
terakhir digunakan pendekatan yang disebut top-bottom pathway.
Pendekatan top-bottom pathway dimulai dari feature map teratas (x/32, y/
32, 256) dan mulai turun ke feature map yang lebih besar, dengan
mengaplikasikan operasi up-sample. Konvolusi 1 x 1 dilakukan untuk
menurunkan jumlah saluran ke 256 sebelum pengambilan sampel.
Kemudian ditambahkan elemen ke output up-sampel dari iterasi
sebelumnya. Semua output up-sample diaplikasikan lapisan konvolusi 3 x
43
3 untuk menghasilkan 4 feature map terakhir (P2, P3, P4, P5) sedangkan
feature map ke-5 (P6) dihasilkan dari operasi max pooling P5.
b. RPN (Region Proposal Network)
Setiap feature map yang dihasilkan pada proses ekstraksi fitur akan
melalui lapisan konvolusi 3 x 3. Tetapi sebelum itu feature map tersebut
dipindai terlebih dahulu menggunakan anchor box dengan berbagai skala
dan rasio. Output yang dihasilkan kemudian diteruskan ke dua cabang, satu
berkaitan dengan skor objektivitas atau confidence score dan lainnya untuk
bounding box regressor seperti terlihat pada Gambar 25. Confidence score
dapat diperoleh dengan menghitung IoU (intersection over union) antara
bounding box dengan ground-truth seperti terlihat pada Gambar 26 di mana
ground-truth ditandai dengan garis solid sedangkan bounding box ditandai
dengan garis putus-putus. IoU diperoleh dengan membagi luas area yang
saling berhimpit dengan luas area gabungan ground truth dan bounding
box. Confidence score berkisar antara 0 hingga 1. Semakin besar
Confidence score berarti semakin tinggi keyakinan sistem bahwa objek
yang terdapat di dalam bounding box merupakan objek yang hendak
dideteksi.
Gambar 25. Proses RPN
44
Gambar 26. Menghitung IoU
c. Instance detection dan semantic segmentation
Proses instance segmentation dilakukan dengan menggunakan fully-
connected network yang mengambil RoI sebagai inputan untuk mendeteksi
keberadaan objek, bounding box, class label dan nilai confidence. Fully
Convolutional Network (FCN) digunakan untuk melakukan semantic
segmentation pada citra dengan memprediksi semantic class dari masing-
masing piksel pada bounding box. Inilah yang menyebabkan setiap
instance dapat menampilkan warna yang berbeda sesuai dengan bounding
boxnya.
B. Penelitian Terkait
Beberapa penelitian terkait identifikasi pemangkasan cabang di
antaranya sebagai berikut:
a. Penelitian sebelumnya oleh Amean et al., melakukan segmentasi dan
perhitungan otomatis pada cabang tanaman Hibiscus berdasarkan
ukuran cabang dan ranting. Algoritma yang digunakan ialah Hough
Transform untuk mendeteksi dan menggambar garis pada ranting dan
cabang, sedangkan Frangi 2D filter digunakan untuk klasifikasi piksel
45
pada gambar. Hasil penelitian menunjukkan metode yang digunakan
dapat mendeteksi dan menghitung cabang tanaman secara otomatis
(Amean et al., 2013).
b. Karkee et al. melakukan identifikasi pemangkasan cabang pada
pohon apel menggunakan kamera tiga dimensi untuk pengambilan
gambar dan medial axis thinning algorithm untuk menghasilkan
kerangka 3D pohon apel. Hasil penelitian menunjukkan perhitungan
algoritma yang digunakan dan pemangkasan oleh ahli menghasilkan
nilai rata-rata yang serupa pada jarak antar cabang tanaman apel
(Karkee et al., 2014).
c. Akbar et al. melakukan rekonstruksi 3D pada pohon apel
menggunakan informasi kedalaman memanfaatkan sensor kamera
Kinect 2. Algoritma Levenberg-Marquardt digunakan untuk membagi
titik awan pohon yang diperoleh dari gambar kedalaman menjadi
beberapa penampang untuk menghitung diameter cabang utama
pada beragam nilai kedalaman. Hasil penelitian menunjukkan bahwa
skema yang diusulkan memberikan kinerja sebesar 89% untuk
memperkirakan dengan tepat diameter cabang utama (Akbar et al.,
2016).
d. El Mesalami et al. melakukan deteksi batang dan cabang utama pada
tanaman tomat yang ditanam menggunakan high-wire cultivation
system dengan mengkombinasikan algoritma segmentasi berbasis
Frangi dan Distance Regularized Level Set Evolution (DRLSE).
Algoritma segmentasi yang digunakan secara efisien mendeteksi
46
batang dan cabang utama tanaman yang ditanam di rumah kaca dan
mampu mengenali tanaman target dengan latar belakang berantakan.
Pengurangan signifikan dalam waktu eksekusi dicapai melalui
pelacakan objek target pada gambar yang dinormalisasi untuk
menghilangkan efek cahaya yang tidak seimbang di dalam rumah
kaca.(El Mesalami et al., 2018).
e. Elfiky et al. melakukan penelitian tentang penggunaan fitur Geometric
Skeleton-based (SbG) dalam skema rekonstruksi 3D. Hasil yang
diperoleh menunjukkan keefektifan fitur SbG untuk rekonstruksi
otomatis hanya dengan menggunakan dua tampilan, depan dan
belakang. Hasil kami menunjukkan bahwa skema yang diusulkan
menempatkan titik pemangkasan pada cabang pohon dengan akurasi
96.0% (Elfiky et al., 2015).
f. Chattopadhyay et al. menyajikan skema rekonstruksi 3D berbasis
setengah lingkaran untuk pemodelan batang dan cabang utama
pohon apel. Metode ini melibatkan estimasi kesalahan diameter,
membuat model pohon setengah lingkaran dari gambar kedalaman
tunggal, dan merekonstruksi model 3D akhir pohon dengan
menyelaraskan urutan gambar kedalaman (Chattopadhyay et al.,
2016).
g. Amatya et al. meneliti sistem visi mesin untuk segmentasi dan deteksi
cabang-cabang pohon ceri dengan dedaunan penuh, di mana ranting
pohon terlihat terputus-putus. Metode segmentasi gambar
47
dikembangkan untuk mengidentifikasi segmen cabang yang terlihat
(Amatya et al., 2016).
C. State of The Art
Penelitian sebelumnya oleh Amean et al., melakukan segmentasi dan
perhitungan otomatis pada cabang tanaman Hibiscus. Karkee et al.
melakukan identifikasi pemangkasan cabang pada pohon apel dengan
struktur tinggi dan ramping tanpa daun yang banyak (Karkee et al., 2014).
Mirip dengan penelitian sebelumnya, Akbar et al., Elfiky et al. dan
Chattopadhay et al. melakukan rekonstruksi 3D pada pohon apel dengan
struktur tinggi dan ramping tanpa daun yang banyak (Akbar et al., 2016;
Chattopadhyay et al., 2016; Elfiky et al., 2015). El Mesalami et al.
melakukan deteksi batang dan cabang utama pada tanaman tomat yang
ditanam di dalam rumah kaca (El Mesalami et al., 2018). Sedangkan
Amatya et al. melakukan deteksi cabang pada tanaman ceri menggunakan
metode Bayesian classifier (Amatya et al., 2016).
Pada penelitian ini menggunakan objek tanaman kakao yang ditanam
di perkebunan di mana daun dapat ditemukan di sepanjang cabang yang
baru tumbuh sehingga penampakan cabang terputus-putus. Oleh sebab itu
pada penelitian ini akan digunakan metode Bayesian classifier.
48
Tabel 1. State of the art
N o Judul Penerbit, Penulis & Tahun Metode Hasil
Jumlah Data
1. Automatic plant branch segmentation and classification using vesselness measure
Proceedings of Australasian Conference on Robotics and Automation. Amean et al. 2013
Hough Transform techniques
Frangi 2D filter
Sistem menunjukkan persentase yang tinggi dalam segmentasi cabang tanaman
12 gambar
2. Identification of pruning branches in tall spindle apple trees for automated pruning. (10.1016/j.compag.2014.02.013)
Computer Electron. Agric. Karkee et al. 2014
Time-of-flightI (TOF) 3D camera
Thinning algorithm
algoritma yang digunakan dan pemangkasan manual menghasilkan jarak cabang rata-rata yang serupa.
400 gambar
3. A novel framework for modeling dormant apple trees using single depth image for robotic pruning application
(10.1109/ICRA.2016.7487718)
IEEE International Conference on Robotics and Automation (ICRA). Akbar et al. 2016
Algoritma Levenberg-Marquardt
3D reconstruction model
Ketepatan mencapai 89% Data diambil dari 6 pohon
4. Automatic Detection of the Main Vine and Branches of Tomato Plants Grown in Greenhouses
(10.1109/EIT.2018.8500146)
IEEE International Conference on Electro/Information Technology (EIT). El Mesalami et al. 2018
Distance Regularized Level Set Evolution
(DRLSE)
Frangi filter
System mampu mendeteksi batang dan cabang tanaman secara efisien
-
49
5. Automation of dormant pruning in specialty crop production: An adaptive framework for automatic reconstruction and modeling of apple trees
2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Elfiky et al. 2015
Skeleton based geometric
ICP algorithm
Akurasi 96 % dalam menempatkan titik pemangkasan pada cabang pohon
-
6. Measuring and modeling apple trees using time-of-flight data for automation of dormant pruning applications
2016 IEEE Winter Conference on Applications of Computer Vision (WACV). Chattopadhyay et al. 2016
3D point cloud
Voronoi diagram technique
Kinerja rata-rata, 89.4% untuk memperkirakan diameter cabang utama dengan toleransi 5 mm, dan 100% untuk mengidentifikasi cabang dengan benar.
175 depth image
7. Detection of cherry tree branches with full foliage in planar architecture for automated sweet-cherry harvesting
Biosystems engineering xxx (2015) 1 e1 3. Amatya et al. 2015
Bayesian classifier Akurasi deteksi 89.2% 141 citra
50
D. Kerangka Pikir
Gambar 27. Kerangka pikir
Gambar 27 menunjukkan kerangka pikir pada penelitian ini. Pada
tahap pertama menjelaskan permasalahan dalam identifikasi tunas air pada
tanaman kakao yaitu, tunas air kakao memiliki warna yang bervariasi, ada
yang menyerupai daun muda (flush) tanaman kakao dan ada juga yang
mirip warna daun kering. Kemudian, solusi yang ditawarkan ialah dengan
MASALAH
Deteksi tunas air pada tanaman kakao:
Tunas air memiliki warna daun yang bervariasi
Terdapat banyak objek di dalam gambar yang
menyerupai tunas air
SOLUSI
Menggunakan metode Mask R-CNN untuk mendeteksi
tunas air tanaman kakao
EVALUASI
Sistem deteksi: F1-score
HASIL
Metode yang digunakan dapat mendeteksi tunas air
tanaman kakao
51
mengurangi objek yang menyerupai tunas air ialah dengan memotong area
gambar yang banyak ditemukan objek menyerupai tunas air seperti bagian
atas tanaman yang didominasi daun hijau dan bagian bawah yang banyak
ditemukan daun kering, sedangkan untuk deteksi tunas air itu sendiri
digunakan metode deep learning yaitu Mask R-CNN. Evaluasi dilakukan
dengan menghitung persentase gambar yang tetap menampilkan tunas air
meskipun telah dilakukan pemotongan gambar. Sedangkan untuk sistem
deteksi dievaluasi dengan menghitung nilai F1-score sistem.
top related